６Ｇ 網(wǎng)絡(luò)智慧內(nèi)生愿景、架構(gòu)與關(guān)鍵技術(shù)

摘 要：面向２０３０ 年及未來，６Ｇ 網(wǎng)絡(luò)將與人工智能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）技術(shù)進(jìn)行深度融合，智慧內(nèi)生作為６Ｇ 網(wǎng)絡(luò)的重要特征已經(jīng)成為業(yè)界共識，６Ｇ 網(wǎng)絡(luò)智慧內(nèi)生已成為當(dāng)前６Ｇ 網(wǎng)絡(luò)探索與研究的焦點之一。結(jié)合當(dāng)前５Ｇ網(wǎng)絡(luò)智能化中的痛點問題，闡述了６Ｇ 網(wǎng)絡(luò)智慧內(nèi)生的驅(qū)動力和愿景目標(biāo)，梳理總結(jié)了目前產(chǎn)業(yè)界和學(xué)術(shù)界在智慧內(nèi)生網(wǎng)絡(luò)架構(gòu)和無線網(wǎng)絡(luò)智慧內(nèi)生實現(xiàn)方式的研究進(jìn)展，進(jìn)一步從架構(gòu)、組網(wǎng)、網(wǎng)絡(luò)性能提升和網(wǎng)絡(luò)服務(wù)能力拓展四個方向?qū)崿F(xiàn)智慧內(nèi)生的潛在關(guān)鍵技術(shù)進(jìn)行了分析，對６Ｇ 智慧內(nèi)生網(wǎng)絡(luò)架構(gòu)和關(guān)鍵技術(shù)主要待研究問題點進(jìn)行總結(jié)。

關(guān)鍵詞：６Ｇ；智慧內(nèi)生；網(wǎng)絡(luò)架構(gòu)；組網(wǎng)；網(wǎng)絡(luò)性能；網(wǎng)絡(luò)服務(wù)能力

中圖分類號：ＴＮ９１９． ２３ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０３－０４３０－０９

０ 引言

５Ｇ 無線通信開啟了一個全新的萬物互聯(lián)時代，給人們的日常生活和生產(chǎn)，甚至社會發(fā)展帶來根本性的變革。驅(qū)動了互聯(lián)網(wǎng)經(jīng)濟(jì)的快速發(fā)展和傳統(tǒng)產(chǎn)業(yè)的結(jié)構(gòu)變革，對社會生活的各個層面產(chǎn)生了深遠(yuǎn)的影響［１－３］。

人工智能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）技術(shù)在近幾年迎來了高速發(fā)展，“外掛式”“補丁式”“疊加式”通信網(wǎng)絡(luò)與ＡＩ 的結(jié)合也成為了研究熱點，例如網(wǎng)元智能化、網(wǎng)絡(luò)智能化。隨著行業(yè)和各標(biāo)準(zhǔn)組織共同努力，網(wǎng)絡(luò)智能化的研究取得了一定的成效，但當(dāng)前階段還存在以下痛點［４］。

數(shù)據(jù)質(zhì)量問題：數(shù)據(jù)采集和處理流程尚未標(biāo)準(zhǔn)化，導(dǎo)致數(shù)據(jù)來源復(fù)雜、可信性不足和關(guān)聯(lián)性低，數(shù)據(jù)孤島現(xiàn)象顯著，使用效率和應(yīng)用價值較低。

數(shù)據(jù)安全問題：ＡＩ 訓(xùn)練和推理涉及大量終端側(cè)數(shù)據(jù)采集和傳輸，目前缺乏統(tǒng)一的可信安全ＡＩ 數(shù)據(jù)平臺和數(shù)據(jù)生命周期管理標(biāo)準(zhǔn)。

模型問題：ＡＩ 模型的泛化性不足，模型的遷移成本高，且ＡＩ 模型性能的穩(wěn)定性會受到網(wǎng)絡(luò)環(huán)境和數(shù)據(jù)的動態(tài)變化影響。

應(yīng)用問題：ＡＩ 功能與網(wǎng)絡(luò)融合度較低，目前網(wǎng)絡(luò)ＡＩ 功能只是在現(xiàn)有網(wǎng)絡(luò)流程上的簡單疊加，且跨域跨層智能化應(yīng)用受限。

在ＡＩ、感知計算和通信技術(shù)等先進(jìn)技術(shù)使能下，未來移動通信網(wǎng)絡(luò)將衍生出人機物更高層次通信服務(wù)需求。為有效解決５Ｇ 時代網(wǎng)絡(luò)智能化痛點問題和應(yīng)對新的業(yè)務(wù)需求，６Ｇ 網(wǎng)絡(luò)在設(shè)計之初就必須考慮智慧內(nèi)生，將數(shù)據(jù)、算力和算法智能要素融入網(wǎng)絡(luò)的架構(gòu)中，設(shè)計架構(gòu)級智慧內(nèi)生，實現(xiàn)以ＡＩ 為內(nèi)生能力的新一代移動通信系統(tǒng)。６Ｇ 網(wǎng)絡(luò)要素將由傳統(tǒng)連接擴展到由連接、數(shù)據(jù)、算力和算法構(gòu)成的ＡＩ 四要素。根據(jù)不同的應(yīng)用場景需求，對ＡＩ 四要素進(jìn)行分布式編排、部署和協(xié)同調(diào)度，按需實現(xiàn)對內(nèi)對外的智能服務(wù)，驅(qū)動整個通信網(wǎng)絡(luò)全面智慧化轉(zhuǎn)型，最終實現(xiàn)“數(shù)字孿生”和“智能泛在”的目標(biāo)愿景［５］。

本文聚焦６Ｇ 網(wǎng)絡(luò)架構(gòu)的關(guān)鍵特征“智慧內(nèi)生”，首先總結(jié)梳理當(dāng)前６Ｇ 智慧內(nèi)生網(wǎng)絡(luò)架構(gòu)研究進(jìn)展，然后分析了在６Ｇ 網(wǎng)絡(luò)架構(gòu)中實現(xiàn)“智慧內(nèi)生”的潛在關(guān)鍵技術(shù)，最后結(jié)合研究現(xiàn)狀對６Ｇ 智慧內(nèi)生網(wǎng)絡(luò)研究中面對的挑戰(zhàn)進(jìn)行總結(jié)與展望。

１ ６Ｇ 智慧內(nèi)生網(wǎng)絡(luò)架構(gòu)研究

１． １ 特征和設(shè)計原則

６Ｇ 智慧內(nèi)生網(wǎng)絡(luò)的設(shè)計目標(biāo)是實現(xiàn)架構(gòu)層面原生支持網(wǎng)絡(luò)內(nèi)的分布式ＡＩ 訓(xùn)練和推理，網(wǎng)絡(luò)需要具備分層分布式ＡＩ，以任務(wù)為中心的資源編排管控，網(wǎng)絡(luò)架構(gòu)、能力和服務(wù)的內(nèi)生自構(gòu)建，數(shù)智化服務(wù)和能力的開放，ＡＩ 生態(tài)協(xié)同與融合和ＡＩ 服務(wù)的服務(wù)質(zhì)量（Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ，ＱｏＳ）可保障等六大關(guān)鍵特征。

綜合６Ｇ 智慧內(nèi)生特征及設(shè)計目標(biāo)，６Ｇ 智慧內(nèi)生網(wǎng)絡(luò)架構(gòu)設(shè)計原則主要包括［４］：

ＡＩ 要素功能服務(wù)化：通過ＡＩ 各要素功能的解耦和模塊化設(shè)計，提供對內(nèi)和對外的ＡＩ 能力服務(wù)，實現(xiàn)ＡＩ 各個服務(wù)的獨立擴展演進(jìn)和靈活部署。

以任務(wù)為中心的智能業(yè)務(wù)編排：面向智能業(yè)務(wù)構(gòu)建以任務(wù)為中心的全生命周期管控機制，以保障智能業(yè)務(wù)ＱｏＳ。

面向服務(wù)的協(xié)同控制：基于智能業(yè)務(wù)的編排結(jié)果，對ＡＩ 四要素服務(wù)進(jìn)行生成和協(xié)同控制，實現(xiàn)ＡＩ四要素服務(wù)的聯(lián)合調(diào)度和路由優(yōu)化。

支持分布式智能：通過ＡＩ 要素的分布式部署和智能體不同節(jié)點間的協(xié)同，滿足網(wǎng)絡(luò)業(yè)務(wù)需求。

支持網(wǎng)絡(luò)對業(yè)務(wù)的自適應(yīng)性：通過對ＡＩ 四要素的靈活編排、按需生成和部署，實現(xiàn)網(wǎng)絡(luò)基于ＡＩ 對業(yè)務(wù)請求的自感知和自適應(yīng)。

支持ＡＩ 服務(wù)的高性能需求：通過對ＡＩ 四要素的靈活部署、智能調(diào)度和路由優(yōu)化等實現(xiàn)綜合成本能耗最優(yōu)，以滿足對ＡＩ 服務(wù)的低時延、高可靠和高能效需求。

支持ＡＩ 服務(wù)的開放：ＡＩ 服務(wù)不僅為通信網(wǎng)絡(luò)自身服務(wù)，同時對第三方應(yīng)用和終端開放，實現(xiàn)通信服務(wù)和ＡＩ 服務(wù)的融合。

支持智能內(nèi)生的安全可信：保證ＡＩ 服務(wù)的隱私保護(hù)、穩(wěn)定魯棒性和可解釋性。

１． ２ 智慧內(nèi)生網(wǎng)絡(luò)架構(gòu)研究現(xiàn)狀

針對５Ｇ 網(wǎng)絡(luò)智能化發(fā)展過程中遇到的痛點問題，面向６Ｇ 網(wǎng)絡(luò)新需求和新能力，為支持６Ｇ 智慧內(nèi)生網(wǎng)絡(luò)的特征和目標(biāo)實現(xiàn)，產(chǎn)業(yè)界和學(xué)術(shù)界對智慧內(nèi)生網(wǎng)絡(luò)架構(gòu)進(jìn)行了深入的研究和探討，下面從整體網(wǎng)絡(luò)邏輯框架設(shè)計、無線網(wǎng)絡(luò)架構(gòu)設(shè)計兩方面將近年來的智慧內(nèi)生架構(gòu)研究進(jìn)展進(jìn)行梳理總結(jié)。

基于６Ｇ 網(wǎng)絡(luò)智慧內(nèi)生的內(nèi)涵、特征定義和設(shè)計原則，ＩＭＴ-２０３０（６Ｇ）推進(jìn)組聯(lián)合國內(nèi)學(xué)術(shù)界、產(chǎn)業(yè)界提出了６Ｇ 智能內(nèi)生網(wǎng)絡(luò)體系框架［４］。如圖１所示，該體系框架從下到上依次為異構(gòu)資源層、功能和編排管理層以及能力開放層。在架構(gòu)中規(guī)劃了安全功能作為貫穿整個６Ｇ 網(wǎng)絡(luò)系統(tǒng)的內(nèi)生安全基礎(chǔ)。

該架構(gòu)從網(wǎng)絡(luò)功能角度建立了體系化的智能內(nèi)生網(wǎng)絡(luò)邏輯框架，融合了傳統(tǒng)的通信與數(shù)據(jù)、算力和算法等新功能，為業(yè)界的研究提供了參考和指引。

產(chǎn)業(yè)界在延續(xù)現(xiàn)有網(wǎng)絡(luò)分層部署的基礎(chǔ)上，從網(wǎng)絡(luò)功能實現(xiàn)的角度出發(fā)，在６Ｇ 網(wǎng)絡(luò)邏輯框架分層細(xì)化、網(wǎng)絡(luò)功能設(shè)計、網(wǎng)元演進(jìn)方式和業(yè)務(wù)流程設(shè)計的方向上進(jìn)行了大量６Ｇ 網(wǎng)絡(luò)架構(gòu)探索。

中國聯(lián)通提出了面向“新網(wǎng)絡(luò)、新服務(wù)、新生態(tài)”的層次化服務(wù)使能平臺架構(gòu)［６］。該架構(gòu)自下而上分別為資源層、功能層、管控層和服務(wù)層。功能層在傳統(tǒng)的移動核心網(wǎng)控制面和用戶面功能基礎(chǔ)上，新增了數(shù)據(jù)和計算功能，分別負(fù)責(zé)網(wǎng)絡(luò)控制、路由轉(zhuǎn)發(fā)、數(shù)據(jù)管理等網(wǎng)絡(luò)功能，以及數(shù)據(jù)、智能等內(nèi)生功能。

基于網(wǎng)絡(luò)云化、服務(wù)化的設(shè)計思路，中國電信和中興通訊聯(lián)合提出“三層四面”的６Ｇ 網(wǎng)絡(luò)總體框架，面向“連接＋”功能需求，在功能層打造控制面、用戶面、數(shù)據(jù)面和智能面［７－８］。為了實現(xiàn)總體框架以用戶數(shù)據(jù)為中心的極簡、智能內(nèi)生和分布自治演進(jìn)目標(biāo)，進(jìn)一步將網(wǎng)元簡化成網(wǎng)絡(luò)控制單元、網(wǎng)絡(luò)報文處理單元、網(wǎng)絡(luò)數(shù)據(jù)單元和網(wǎng)絡(luò)智能單元，分別對應(yīng)分層框架中的控制面、用戶面、數(shù)據(jù)面和智能面。

中國移動從ＡＩ 服務(wù)質(zhì)量（Ｑｕａｌｉｔｙ ｏｆ ＡＩ Ｓｅｒｖｉｃｅ，ＱｏＡＩＳ）保障根本需求出發(fā)，提出了基于６Ｇ 網(wǎng)絡(luò)智能內(nèi)生的“三層四面”的邏輯架構(gòu)［９］。在橫向邏輯上，將６Ｇ 網(wǎng)絡(luò)劃分為資源層、網(wǎng)絡(luò)功能層和應(yīng)用與服務(wù)層。在縱向邏輯上，將連接、數(shù)據(jù)、計算和算法任務(wù)功能抽離出形成新的通信面、數(shù)據(jù)面、計算面和智能面，實現(xiàn)通信連接、數(shù)據(jù)、算力和ＡＩ 各任務(wù)的垂直管理，極大降低了任務(wù)處理時延。該架構(gòu)融合了ＱｏＡＩＳ、ＡＩ 全生命周期編排管理和ＡＩ 計算與通信深度融合等新理念，具備智能內(nèi)生、分布式計算和按需服務(wù)等特點。

從ＡＩ 要素功能服務(wù)化角度出發(fā)，華為進(jìn)一步將網(wǎng)絡(luò)架構(gòu)進(jìn)行簡化，提出了以任務(wù)為中心的６Ｇ 網(wǎng)絡(luò)ＡＩ 架構(gòu)。該架構(gòu)包括網(wǎng)絡(luò)ＡＩ 管理編排（ＮｅｔｗｏｒｋＡＩ Ｍａｎａｇｅｍｅｎｔ＆Ｏｒｃｈｅｓｔｒａｔｉｏｎ，ＮＡＭＯ）和任務(wù)管控，通過部署在管理域的ＮＡＭＯ 來完成從ＡＩ 業(yè)務(wù)到任務(wù)的分解、映射和ＡＩ 業(yè)務(wù)流編排，任務(wù)管控則是在控制層引入任務(wù)錨點功能、任務(wù)調(diào)度功能和任務(wù)執(zhí)行功能［１０］。

從國內(nèi)運營商和設(shè)備商發(fā)布的研究進(jìn)展可以看出，目前產(chǎn)業(yè)界探索點聚焦在圍繞連接、數(shù)據(jù)、計算和算法四要素對網(wǎng)絡(luò)層功能選型、網(wǎng)絡(luò)功能部署方案、整體架構(gòu)邏輯。在學(xué)術(shù)界，高校研究人員探索將智能化賦能的關(guān)鍵技術(shù)引入６Ｇ 網(wǎng)絡(luò)架構(gòu)中，通過增強或新建網(wǎng)絡(luò)功能方式，來提升網(wǎng)絡(luò)整體智能化水平。

傳統(tǒng)基于規(guī)則算法的網(wǎng)絡(luò)操作方式難以實現(xiàn)未來網(wǎng)絡(luò)自我規(guī)劃、優(yōu)化、運維和進(jìn)化的目標(biāo)，針對這類問題相關(guān)研究人員開始探索知識圖譜與通信網(wǎng)絡(luò)融合技術(shù)［１１－１３］，文獻(xiàn)［１２］基于知識圖譜提出了以數(shù)據(jù)－模型－知識為內(nèi)核的智能內(nèi)生無線網(wǎng)絡(luò)邏輯架構(gòu)，利用知識圖譜充分挖掘用戶、服務(wù)和環(huán)境等無線數(shù)據(jù)的多維主客觀知識，實現(xiàn)無線網(wǎng)絡(luò)的全方位立體感知、決策推理和自適應(yīng)調(diào)整，最終賦能于網(wǎng)絡(luò)的建設(shè)、優(yōu)化和維護(hù)等全生命周期管理和應(yīng)用，為實現(xiàn)未來無線通信智能內(nèi)生提供一條可行性路徑。

意圖驅(qū)動網(wǎng)絡(luò)（ＩｎｔｅｎｔＤｒｉｖｅｎ Ｎｅｔｗｏｒｋｉｎｇ，ＩＤＮ）概念被嘗試引入到６Ｇ 網(wǎng)絡(luò)架構(gòu)設(shè)計中［１４－１５］，文獻(xiàn)［１４］提出一種意圖抽象與知識聯(lián)合驅(qū)動的６Ｇ 內(nèi)生智能網(wǎng)絡(luò)架構(gòu)，如圖２ 所示。在基礎(chǔ)的管理平面、控制平面和數(shù)據(jù)平面上，通過意圖網(wǎng)絡(luò)技術(shù)和知識定義網(wǎng)絡(luò)技術(shù)新構(gòu)建了意圖抽象平面和認(rèn)知平面，使６Ｇ 網(wǎng)絡(luò)支持感知－通信－決策－控制能力，能夠識別周圍環(huán)境及應(yīng)用服務(wù)特性，從而進(jìn)行自動化決策與閉環(huán)控制，最終根據(jù)“Ｗｈａｔ ｙｏｕ ｗａｎｔ”實現(xiàn)“Ｈｏｗ ｔｏｃｏｎｆｉｇｕｒｅ ｔｈｅ ｎｅｔｗｏｒｋ”。

以上大部分研究基于６Ｇ 網(wǎng)絡(luò)智慧內(nèi)生設(shè)計原則，從網(wǎng)絡(luò)頂層設(shè)計的角度進(jìn)行網(wǎng)絡(luò)邏輯功能框架的體系化研究，具有較好的前瞻和指導(dǎo)意義。此外對無線網(wǎng)絡(luò)智慧內(nèi)生實現(xiàn)方式的探索也在進(jìn)行，部分研究人員從無線網(wǎng)元智能實現(xiàn)角度對６Ｇ 無線網(wǎng)絡(luò)智慧內(nèi)生架構(gòu)進(jìn)行研究。

Ｏ-ＲＡＮ 聯(lián)盟提出了一種開放式智能無線接入網(wǎng)絡(luò)（Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋｉｎｇ，ＲＡＮ）參考體系架構(gòu)［１６］，如圖３ 所示，通過引入ＡＩ 使能的軟件定義的ＲＡＮ 智能控制器（ＲＡＮ Ｉｎｔｅｌｌｉｇｅｎｔ Ｃｏｎｔｒｏｌｌｅｒ，ＲＩＣ）來實現(xiàn)網(wǎng)絡(luò)智慧內(nèi)生，ＲＩＣ 包括非實時ＲＩＣ 和近實時ＲＩＣ，非實時ＲＩＣ 進(jìn)行數(shù)據(jù)采集并將訓(xùn)練生成的ＡＩ模型分發(fā)給近實時ＲＩＣ。近實時ＲＩＣ 基于ＡＩ 模型進(jìn)行負(fù)載均衡、無線資源塊管理、干擾管理和移動性管理。此外，通過開放的Ｅ２ 接口，近實時ＲＩＣ 不僅可以從分布單元（Ｄｉｓｔｒｉｂｕｔｅｄ Ｕｎｉｔ，ＤＵ）處獲取近實時的網(wǎng)絡(luò)狀態(tài)，還可以向集中單元（Ｃｅｎｔｒａｌｉｚｅｄ Ｕｎｉｔ，ＣＵ）協(xié)議棧下發(fā)配置命令。

無線世界研究論壇（Ｗｉｒｅｌｅｓｓ Ｗｏｒｌｄ ＲｅｓｅａｒｃｈＦｏｒｕｍ，ＷＷＲＦ）提出了一種在ＲＡＮ 側(cè)使能無線大數(shù)據(jù)的架構(gòu)，如圖４ 所示。在架構(gòu)中新增集中單元數(shù)據(jù)分析（Ｃｅｎｔｒａｌｉｚｅｄ Ｕｎｉｔ Ｄａｔａ Ａｎａｌｙｔｉｃｓ，ＣＵＤＡ）、分布單元數(shù)據(jù)分析（Ｄｉｓｔｒｉｂｕｔｅｄ Ｕｎｉｔ Ｄａｔａ Ａｎａｌｙｔｉｃｓ，ＤＵＤＡ）智能體實現(xiàn)網(wǎng)元智能。其中ＣＵＤＡ 被部署在ＣＵ 中，負(fù)責(zé)傳統(tǒng)通信連接業(yè)務(wù)中無線資源控制（Ｒａｄｉｏ Ｒｅｓｏｕｒｃｅ Ｃｏｎｔｒｏｌ，ＲＲＣ）和分組數(shù)據(jù)匯聚協(xié)議（Ｐａｃｋｅｔ Ｄａｔａ Ｃｏｎｖｅｒｇｅｎｃｅ Ｐｒｏｔｏｃｏｌ，ＰＤＣＰ）等協(xié)議層的功能和ＡＩ 模型訓(xùn)練、在線模型預(yù)測等新ＡＩ 任務(wù)。而ＤＵＤＡ 被部署在靠近終端側(cè)的ＤＵ 中進(jìn)行實時ＲＡＮ 數(shù)據(jù)采集、預(yù)處理、參數(shù)優(yōu)化和低復(fù)雜的模型訓(xùn)練，通過ＣＵＤＡ 和ＤＵＤＡ 之間協(xié)同完成ＲＡＮ 側(cè)近實時ＡＩ 任務(wù)［１７］。

一種意圖驅(qū)動的６Ｇ 無線接入網(wǎng)絡(luò)（Ｉｎｔｅｎｔ-Ｄｒｉｖｅｎ Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋｉｎｇ，ＩＤ-ＲＡＮ）架構(gòu)在文獻(xiàn)［１５］中被提出，ＩＤ-ＲＡＮ 架構(gòu)如圖５ 所示，通過部署意圖驅(qū)動的無線網(wǎng)絡(luò)控制器（Ｉｎｔｅｎｔ-Ｄｒｉｖｅｎ ＲａｄｉｏＮｅｔｗｏｒｋ Ｃｏｎｔｒｏｌｌｅｒ，ＩＤ-ＲＮＣ）來實現(xiàn)對用戶業(yè)務(wù)需求的智能處理。ＩＤ-ＲＮＣ 通過無線傳輸方式接收意圖，并將其通過意圖轉(zhuǎn)譯、沖突解決、網(wǎng)絡(luò)編排、配置激活以及策略優(yōu)化功能模塊進(jìn)行處理；通過分布式部署在集中云、基站控制器或宏基站中，從而實現(xiàn)對無線意圖的全流程處理，同時負(fù)責(zé)接收網(wǎng)絡(luò)運維數(shù)據(jù)、無線通信數(shù)據(jù)和網(wǎng)絡(luò)策略下發(fā)。

綜上所述，目前對６Ｇ 智慧內(nèi)生網(wǎng)絡(luò)架構(gòu)研究演進(jìn)總結(jié)為從網(wǎng)絡(luò)功能框架頂層設(shè)計，圍繞任務(wù)實現(xiàn)進(jìn)行的網(wǎng)絡(luò)功能分層設(shè)計，圍繞網(wǎng)絡(luò)智能化水平提升結(jié)合智能化融合技術(shù)對網(wǎng)絡(luò)層功能增強及重構(gòu)，而無線網(wǎng)智慧內(nèi)生架構(gòu)的研究主要為網(wǎng)元智能實現(xiàn)方案。但無論是哪一種架構(gòu)設(shè)計，６Ｇ 網(wǎng)絡(luò)架構(gòu)都呈現(xiàn)出一些根本性改變：

① 網(wǎng)絡(luò)管理對象從“會話”變成“任務(wù)”；

② 網(wǎng)絡(luò)資源要素從連接演變?yōu)楹w連接、計算、數(shù)據(jù)和算法四要素；

③ 網(wǎng)絡(luò)通過對四要素的協(xié)同調(diào)度，提高任務(wù)的ＱｏＳ 保障。

２ 智慧內(nèi)生關(guān)鍵技術(shù)

在實現(xiàn)６Ｇ 網(wǎng)絡(luò)智慧內(nèi)生架構(gòu)的過程中，存在計算資源需求大、數(shù)據(jù)管理難度大和業(yè)務(wù)保障標(biāo)準(zhǔn)高等一系列挑戰(zhàn)，在這個背景驅(qū)動下發(fā)展出了一系列６Ｇ 能內(nèi)生網(wǎng)絡(luò)關(guān)鍵技術(shù)，ＩＭＴ 在文獻(xiàn)［４］中提出了６Ｇ 智慧內(nèi)生的技術(shù)架構(gòu)體系建議，本文從架構(gòu)類技術(shù)、組網(wǎng)類技術(shù)、網(wǎng)絡(luò)性能提升技術(shù)和網(wǎng)絡(luò)服務(wù)能力拓展技術(shù)四大類技術(shù)，對６Ｇ 智慧內(nèi)生潛在技術(shù)進(jìn)行分析。

２． １ 架構(gòu)類技術(shù)

２． １． １ ＡＩ 空口化

從整個空口協(xié)議棧頂層設(shè)計看，未來需要基于模型和數(shù)據(jù)雙驅(qū)動的ＡＩ 能力來實現(xiàn)６Ｇ 智能空口，以滿足不同業(yè)務(wù)對空口的個性化需求。

物理層ＡＩ：根據(jù)物理信道特性數(shù)據(jù)，運用機器學(xué)習(xí)算法，對物理層的信道編碼、調(diào)制、波形、多址等功能進(jìn)行增強［１８－１９］，形成自適應(yīng)編碼調(diào)制、信道狀態(tài)預(yù)測及估計等新型、原生智能的物理層功能［２０］。例如借助感知定位、ＡＩ 和可重構(gòu)智能超表面（Ｒｅｃｏｎｆｉｇｕｒａｂｌｅ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｕｒｆａｃｅ，ＲＩＳ）技術(shù)，開發(fā)用戶導(dǎo)向的主動波束生成、跟蹤和調(diào)制功能，達(dá)到主動控制信道條件目的［２１］。

鏈路層ＡＩ：實現(xiàn)鏈路層ＡＩ 化核心為無線資源管理智能化算法，主要有資源調(diào)度（功率分配、信道分配和接入控制）、多輸入多輸出（ＭｕｌｔｉｐｌｅＩｎｐｕｔＭｕｌｔｉｐｌｅＯｕｔｐｕｔ，ＭＩＭＯ）配對、功率控制和調(diào)制與編碼策略（Ｍｏｄｕｌａｔｉｏｎ ａｎｄ Ｃｏｄｉｎｇ Ｓｃｈｅｍｅ，ＭＣＳ）選擇等［２２－２５］。例如文獻(xiàn)［２５］中基于多智能體強化學(xué)習(xí)（ＭｕｌｔｉＡｇｅｎｔ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ，ＭＡＲＬ）的單ｃｒｉｔｉｃ 網(wǎng)絡(luò)＋多ａｃｔｏｒ 網(wǎng)絡(luò)結(jié)構(gòu)解決異構(gòu)網(wǎng)絡(luò)中的功率控制問題，中心ｃｒｉｔｉｃ 網(wǎng)絡(luò)可以獲得全局信道，ａｃｔｏｒ 被部署在多個網(wǎng)絡(luò)接入點（Ａｃｃｅｓｓ Ｐｏｉｎｔ，ＡＰ）上，根據(jù)ｃｒｉｔｉｃ 的指導(dǎo)和本地信息進(jìn)行訓(xùn)練，從而實現(xiàn)整體資源分配。

ＲＲＣ 層ＡＩ：在傳統(tǒng)的ＲＲＣ 層的控制和管理功能基礎(chǔ)上，引入智能化技術(shù)，實現(xiàn)資源管理和配置的自動化和智能化，提高整體網(wǎng)絡(luò)效率。在資源分配上，通過ＡＩ 技術(shù)，根據(jù)用戶需求和網(wǎng)絡(luò)負(fù)載情況進(jìn)行資源自動分配，優(yōu)化網(wǎng)絡(luò)性能［２６］。在參數(shù)配置上，基于ＡＩ 技術(shù)實現(xiàn)網(wǎng)絡(luò)參數(shù)自動適配網(wǎng)絡(luò)環(huán)境變化和用戶遷移。在信令流程上，面向連接、計算、算力和算法的任務(wù)構(gòu)建新型的網(wǎng)絡(luò)通信協(xié)議［２７］。

２． １． ２ 超大規(guī)模ＭＩＭＯ

目前超大規(guī)模ＭＩＭＯ 的研究主要圍繞信道建模、天線形態(tài)設(shè)計、信道狀態(tài)信息（Ｃｈａｎｎｅｌ Ｓｔａｔｅ Ｉｎ-ｆｏｒｍａｔｉｏｎ，ＣＳＩ）反饋設(shè)計等方面。

在信道建模方面，主要研究為信道建模中近場球面波效應(yīng)和空間非平穩(wěn)特性刻畫［２８－２９］。文獻(xiàn)［２９］給出了一種近場信道建模方法，該方法基于３ＧＰＰ ＴＲ ３８． ９０１ 信道模型的多徑時延和角度參數(shù)，通過幾何關(guān)系進(jìn)行近場信道的球面波建模。對于空間非平穩(wěn)特征的信道建模，采用基于概率模型和基于信道測量的統(tǒng)計性建模等模型對信道特征進(jìn)行刻畫。

在天線形態(tài)方面，主要圍繞采用新型材料和技術(shù)，設(shè)計低功耗、高能效的新型天線。例如ＲＩＳ 技術(shù)是一種基于可調(diào)控超材料的新型天線架構(gòu)，它擺脫了傳統(tǒng)射頻系統(tǒng)中射頻鏈器件和相移器等高能耗器件，大幅度降低了系統(tǒng)整體功耗［３０］。

在ＣＳＩ 反饋方面，主要是圍繞適配超大規(guī)模信道特征的ＣＳＩ 反饋方案設(shè)計，充分考慮信道的近場特性、空間非平穩(wěn)特性等對信號傳播產(chǎn)生不確定的影響。

２． １． ３ 太赫茲通信

未來無線網(wǎng)絡(luò)流量將呈現(xiàn)爆炸式增長，太赫茲通信具備高數(shù)據(jù)傳輸速率特性，因此被認(rèn)為是未來６Ｇ 技術(shù)的重要頻段之一［３１］。太赫茲通信的關(guān)鍵核心技術(shù)主要有如下方面。

窄定向組網(wǎng)：主要涉及網(wǎng)絡(luò)構(gòu)架、組網(wǎng)方式和移動性管理等方面，例如研究基于節(jié)點協(xié)作和轉(zhuǎn)發(fā)的多跳通信技術(shù)，以達(dá)到提高網(wǎng)絡(luò)的可靠性和覆蓋范圍目的。

基帶信號處理技術(shù)：主要研究低功耗、高速的基帶信號處理技術(shù)，以滿足太赫茲通信系統(tǒng)處理Ｔｂｉｔ／ ｓ量級的傳輸速率需求。

超大規(guī)模天線設(shè)計：主要是通過設(shè)計混合數(shù)字－模擬架構(gòu)的動態(tài)天線陣列架構(gòu)來降低超大規(guī)模天線的復(fù)雜度［３２］。

窄波束管理：基于射頻地圖感知的信道估計是波束管理的關(guān)鍵技術(shù)，通過結(jié)合感知技術(shù)和無線信號的空間特性，完成對信道狀態(tài)的準(zhǔn)確估計，以實現(xiàn)快速追蹤和可靠切換［３３］。

２． ２ 組網(wǎng)類技術(shù)

２． ２． １ 聯(lián)邦學(xué)習(xí)技術(shù)

聯(lián)邦學(xué)習(xí)技術(shù)由于其隱私保護(hù)和實現(xiàn)泛在ＡＩ的特性，在６Ｇ 網(wǎng)絡(luò)中具有廣泛的前景和潛力。

與傳統(tǒng)的分布式學(xué)習(xí)不同，聯(lián)邦學(xué)習(xí)通過在各節(jié)點利用本地數(shù)據(jù)集完成模型訓(xùn)練，然后各節(jié)點將訓(xùn)練好的模型參數(shù)傳遞至中心節(jié)點，中心節(jié)點負(fù)責(zé)對模型參數(shù)進(jìn)行聚合并將聚合的參數(shù)分發(fā)回各節(jié)點，通過這種方式最大程度地保護(hù)了數(shù)據(jù)的隱私，同時網(wǎng)絡(luò)之間只需要傳輸模型參數(shù)，極大地減少了網(wǎng)絡(luò)傳輸資源［３４］。例如文獻(xiàn)［３５］提出一種基于量化的聯(lián)邦邊緣學(xué)習(xí)系統(tǒng)模型用于實現(xiàn)網(wǎng)絡(luò)的最優(yōu)資源分配。

按照數(shù)據(jù)分割方式，可以將聯(lián)邦學(xué)習(xí)分為水平聯(lián)邦學(xué)習(xí)、垂直聯(lián)邦學(xué)習(xí)和混合聯(lián)邦學(xué)習(xí)［３６］。針對多模態(tài)和多任務(wù)的機器學(xué)習(xí)場景可以選取適配的學(xué)習(xí)方式，可以更好地應(yīng)對未來網(wǎng)絡(luò)多場景業(yè)務(wù)需求。

２． ２． ２ ＱｏＡＩＳ 機制

６Ｇ 網(wǎng)絡(luò)除了傳統(tǒng)通信資源外，還將引入分布式異構(gòu)算力資源、存儲資源、數(shù)據(jù)資源和ＡＩ 算法等ＡＩ服務(wù)編排的多種資源元素，因而需要從資源四要素等多個維度來綜合評估網(wǎng)絡(luò)內(nèi)生ＱｏＡＩＳ。

文獻(xiàn)［３７］提出了一種ＱｏＡＩＳ 指標(biāo)體系及保障機制，將６Ｇ 網(wǎng)絡(luò)內(nèi)生的ＡＩ 服務(wù)劃分為數(shù)據(jù)、訓(xùn)練、推理和驗證四類，針對每一類服務(wù)都設(shè)計了對應(yīng)的服務(wù)性能評估指標(biāo)ＱｏＡＩＳ，表１ 給出了其中ＡＩ 訓(xùn)練類服務(wù)指標(biāo)體系的設(shè)計方式，將服務(wù)指標(biāo)拆解為性能、開銷、安全、隱私和自治五個維度，每個維度都對應(yīng)一套ＱｏＡＩＳ 指標(biāo)。如表２ 所示，再進(jìn)一步將服務(wù)的ＱｏＡＩＳ 指標(biāo)在所需數(shù)據(jù)、算法、算力和連接資源維度上進(jìn)行拆分，形成量化的ＱｏＳ 指標(biāo)，通過管理面、控制面和用戶面協(xié)同各資源實施ＱｏＳ 保障，為未來６Ｇ 網(wǎng)絡(luò)服務(wù)保障的實現(xiàn)提供了解決思路。

２． ３ 網(wǎng)絡(luò)性能提升技術(shù)

２． ３． １ 知識圖譜

網(wǎng)絡(luò)環(huán)境的日益復(fù)雜對智能化運維的實現(xiàn)提出了嚴(yán)峻的挑戰(zhàn)，知識圖譜由于強大的數(shù)據(jù)整合關(guān)聯(lián)能力，在網(wǎng)絡(luò)運維智能化領(lǐng)域成為了研究熱點，通過運用知識圖譜技術(shù)，將網(wǎng)絡(luò)中異構(gòu)數(shù)據(jù)進(jìn)行處理關(guān)聯(lián)，形成知識，借助機器學(xué)習(xí)算法構(gòu)建知識的響應(yīng)和推理能力，推動網(wǎng)絡(luò)運維管理智能化［３８－３９］。在文獻(xiàn)［１２］中，基于知識圖譜技術(shù)構(gòu)建網(wǎng)絡(luò)管控知識空間，進(jìn)一步結(jié)合知識空間形成智能網(wǎng)絡(luò)策略生成和智能異常檢測關(guān)鍵技術(shù)，最終實現(xiàn)對網(wǎng)絡(luò)資源智能化、自動化調(diào)配和閉環(huán)的網(wǎng)絡(luò)管控。

知識定義、知識獲取以及知識融合是建立知識圖譜的關(guān)鍵過程。知識定義是結(jié)合數(shù)據(jù)基礎(chǔ)和應(yīng)用場景，對知識模式、實體類型和實體之間的關(guān)系進(jìn)行定義。知識獲取是從零散信息中提取學(xué)習(xí)知識過程，主要的提取技術(shù)有命名識別、關(guān)系抽取和屬性抽取等［４０－４１］。知識融合是通過實體鏈接、實體消歧和關(guān)系抽取等技術(shù)，對同一實體不同知識源的知識進(jìn)行整合，形成高質(zhì)量的知識庫。

２． ３． ２ 語義通信技術(shù)

語義通信作為未來通信的潛在技術(shù)之一，能夠?qū)崿F(xiàn)強智能、高可靠和高傳輸效率的通信方式。目前語義通信技術(shù)的研究主要集中在以下幾個方面。

語義通信理論：主要為基于自然語言和機器學(xué)習(xí)技術(shù)的語義信息表示和理解、語義壓縮編碼和新型語義通信協(xié)議設(shè)計［４２］。

聯(lián)合信源信道編碼技術(shù)：主要為語義信息彈性編碼、語義信息傳輸和基于神經(jīng)網(wǎng)絡(luò)的信源信道聯(lián)合編碼等。例如文獻(xiàn)［４３］中提出了用于實現(xiàn)ＣＳＩ的壓縮反饋的聯(lián)合信源信道編碼技術(shù)，通過將所有模塊結(jié)構(gòu)設(shè)計為神經(jīng)網(wǎng)絡(luò)并實現(xiàn)端到端的優(yōu)化。

物理層技術(shù)：主要為面向語義通信的自適應(yīng)調(diào)制與波形技術(shù)、信道建模、預(yù)編碼技術(shù)和多址技術(shù)等［４２］。例如文獻(xiàn)［４４］中使用神經(jīng)網(wǎng)絡(luò)進(jìn)行信道編碼與調(diào)制，通過對發(fā)送端與接收端在信道噪聲下共同訓(xùn)練，從而得到與信道噪聲匹配的調(diào)制策略。

鏈路層技術(shù)：主要為面向語義通信的信息封裝和傳輸、重傳和容錯等可靠傳輸機制、自適應(yīng)傳輸控制、跨層協(xié)同機制等。

２． ４ 網(wǎng)絡(luò)服務(wù)能力拓展技術(shù)

２． ４． １ 通感一體化

未來６Ｇ 網(wǎng)絡(luò)將實現(xiàn)感知與通信的融合，利用無線傳輸感知周圍環(huán)境，同時基于反饋的感知數(shù)據(jù)幫助提升網(wǎng)絡(luò)性能，目前實現(xiàn)通感一體化的關(guān)鍵技術(shù)研究主要為如下方面。

組網(wǎng)架構(gòu)：主要為網(wǎng)絡(luò)一體化設(shè)計、網(wǎng)絡(luò)通信協(xié)議組件化研究、業(yè)務(wù)連續(xù)性和用戶感知保障研究、感知干擾與通信干擾協(xié)調(diào)控制、感知與通信聯(lián)合參數(shù)估計等。

空口關(guān)鍵技術(shù)：主要為空口波形一體化設(shè)計和多天線波束賦形。波形一體化設(shè)計路線分為現(xiàn)有波形的一體化適配和新型通感一體化波形設(shè)計，其中現(xiàn)有波形的一體化適配主要通過分析正交頻分復(fù)用（Ｏｒｔｈｏｇｏｎａｌ Ｆｒｅｑｕｅｎｃｙ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅｘｉｎｇ，ＯＦＤＭ）和正交時頻空（Ｏｒｔｈｏｇｏｎａｌ Ｔｉｍｅ Ｆｒｅｑｕｅｎｃｙ Ｓｐａｃｅ，ＯＴＦＳ）等波形的通信和感知性能，通過單一波形或者復(fù)合波形方式實現(xiàn)通感融合波形特性［４５－４７］。

協(xié)同感知：主要是進(jìn)行多模式、多節(jié)點、多頻段和多制式的協(xié)同感知技術(shù)研究，同時研究協(xié)同流程設(shè)計、組網(wǎng)節(jié)點選擇方案和協(xié)同感知定位等關(guān)鍵技術(shù)［４７］。

２． ４． ２ 意圖網(wǎng)絡(luò)技術(shù)

意圖網(wǎng)絡(luò)技術(shù)能夠?qū)崿F(xiàn)對用戶需求的自動獲取、轉(zhuǎn)移，進(jìn)一步驅(qū)動網(wǎng)絡(luò)全生命周期的自動監(jiān)控和管理，顯著提高網(wǎng)絡(luò)的運維效率。

意圖網(wǎng)絡(luò)的關(guān)鍵技術(shù)主要有意圖轉(zhuǎn)譯、配置驗證、和意圖保障。① 意圖轉(zhuǎn)譯是運用深度學(xué)習(xí)和決策樹技術(shù)將用戶的“意圖需求”轉(zhuǎn)化為網(wǎng)絡(luò)策略配置［４８］。② 配置驗證是通過數(shù)字孿生技術(shù)構(gòu)建虛擬網(wǎng)絡(luò)平臺，將待驗證的策略配置下發(fā)到仿真環(huán)境中進(jìn)行驗證。③ 意圖保障是基于用戶和網(wǎng)絡(luò)數(shù)據(jù)利用時間序列模型對用戶意圖是否滿足結(jié)果進(jìn)行預(yù)判，對預(yù)判結(jié)果不好的用戶進(jìn)行意圖的自動修復(fù)。

２． ４． ３ 網(wǎng)絡(luò)大模型

大模型的出現(xiàn)已成為革命性的突破，在多個領(lǐng)域?qū)崿F(xiàn)了突破性進(jìn)展，可以預(yù)見大模型與通信融合是構(gòu)建未來智慧內(nèi)生網(wǎng)絡(luò)最可能的途徑［３２］，目前大模型與通信的融合可以分為大模型賦能通信網(wǎng)絡(luò)和通信網(wǎng)絡(luò)服務(wù)大模型兩個方面。

大模型賦能通信網(wǎng)絡(luò)：大模型作為網(wǎng)絡(luò)內(nèi)部單元或功能，能夠進(jìn)一步提升網(wǎng)絡(luò)性能和提供新的應(yīng)用。例如通過對網(wǎng)絡(luò)和用戶數(shù)據(jù)的學(xué)習(xí)分析，能夠幫助網(wǎng)絡(luò)資源有效分配、網(wǎng)絡(luò)策略配置的生成。通過分析海量的網(wǎng)絡(luò)設(shè)備運行數(shù)據(jù)，自動進(jìn)行潛在故障挖掘及優(yōu)化策略生成，提升智能化運維水平。

通信網(wǎng)絡(luò)服務(wù)大模型：移動網(wǎng)絡(luò)作為一個平臺對內(nèi)外需求提供大模型服務(wù)，首先通信網(wǎng)絡(luò)自身為大模型的訓(xùn)練和推理提供高效的數(shù)據(jù)傳輸服務(wù)。其次基于網(wǎng)絡(luò)的云計算和邊緣計算能力，自動編排調(diào)度大模型所需的計算資源，提高服務(wù)響應(yīng)速度和降低業(yè)務(wù)時延。此外通過在網(wǎng)絡(luò)上部署大模型，基于意圖理解為業(yè)務(wù)開發(fā)者提供其所需的ＡＩ 模型。

３ 結(jié)束語

５Ｇ 時代打開了探索通信網(wǎng)絡(luò)與ＡＩ 融合的窗口，面向２０３０ 年及未來社會智能化愿景，智慧內(nèi)生已然成為了６Ｇ 網(wǎng)絡(luò)的重要特征。從網(wǎng)絡(luò)功能框架設(shè)計與網(wǎng)絡(luò)功能部署實現(xiàn)角度，分析總結(jié)了產(chǎn)業(yè)界和學(xué)術(shù)界在６Ｇ 智慧內(nèi)生網(wǎng)絡(luò)架構(gòu)的研究進(jìn)展，對實現(xiàn)６Ｇ 智慧內(nèi)生網(wǎng)絡(luò)架構(gòu)的潛在技術(shù)進(jìn)行了分析預(yù)判，希望能為６Ｇ 智慧內(nèi)生網(wǎng)絡(luò)研究工作提供一些思考方向。

目前，６Ｇ 智慧內(nèi)生的網(wǎng)絡(luò)架構(gòu)和關(guān)鍵技術(shù)的研究還處于探索階段，仍然存在一系列問題需要產(chǎn)業(yè)界和學(xué)術(shù)界共同探討和定義。例如網(wǎng)元智能化實現(xiàn)方案尚未標(biāo)準(zhǔn)化、網(wǎng)絡(luò)中聯(lián)邦學(xué)習(xí)尚未形成統(tǒng)一部署方案、面向ＡＩ 服務(wù)的網(wǎng)絡(luò)協(xié)議和ＱｏＳ 體系有待明確和標(biāo)準(zhǔn)化等。展望未來，相信在業(yè)界的共同推動下，這些問題都將得到解決，并最終形成統(tǒng)一的６Ｇ網(wǎng)絡(luò)架構(gòu)和關(guān)鍵技術(shù)標(biāo)準(zhǔn)。

參考文獻(xiàn)

［１］ ＨＵＡＮＧ Ｙ Ｍ，ＬＩＵ Ｓ Ｈ，ＺＨＡＮＧ Ｃ，ｅｔ ａｌ． Ｔｒｕｅｄａｔａ

Ｔｅｓｔｂｅｄ ｆｏｒ ５Ｇ／ Ｂ５Ｇ Ｉｎｔｅｌｌｉｇｅｎｔ Ｎｅｔｗｏｒｋ ［Ｊ］． Ｉｎｔｅｌｌｉｇｅｎｔ

ａｎｄ Ｃｏｎｖｅｒｇｅｄ Ｎｅｔｗｏｒｋｓ，２０２１，２（２）：１３３－１４９．

［２］ ＣＨＥＲＧＵＩ Ｈ，ＶＥＲＩＫＯＵＫＩＳ Ｃ． Ｂｉｇ Ｄａｔａ ｆｏｒ ５Ｇ Ｉｎｔｅｌｌｉｇｅｎｔ

Ｎｅｔｗｏｒｋ Ｓｌｉｃｉｎｇ Ｍａｎａｇｅｍｅｎｔ ［Ｊ］． ＩＥＥＥ Ｎｅｔｗｏｒｋ，２０２０，

３４（４）：５６－６１．

［３］ ＷＵ Ｑ Ｑ，ＬＩ Ｇ Ｙ，ＣＨＥＮ Ｗ，ｅｔ ａｌ． Ａｎ Ｏｖｅｒｖｉｅｗ ｏｆ Ｓｕｓ

ｔａｉｎａｂｌｅ Ｇｒｅｅｎ ５Ｇ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕ

ｎｉｃａｔｉｏｎｓ，２０１７，２４（４）：７２－８０．

［４］ ＩＭＴ２０３０（６Ｇ）網(wǎng)絡(luò)技術(shù)工作組． 面向６Ｇ 網(wǎng)絡(luò)的智能

內(nèi)生體系架構(gòu)研究［Ｒ］． 北京：ＩＭＴ２０３０ （６Ｇ）推進(jìn)

組，２０２２．

［５］ 劉光毅，金婧，王啟星，等． ６Ｇ 愿景與需求：數(shù)字孿生、

智能泛在［Ｊ］． 移動通信，２０２０，４４（６）：３－９．

［６］ 中國聯(lián)合網(wǎng)絡(luò)通信有限公司研究院下一代互聯(lián)網(wǎng)寬

帶業(yè)務(wù)應(yīng)用國家工程研究中心． 中國聯(lián)通６Ｇ 網(wǎng)絡(luò)體

系架構(gòu)白皮書［Ｒ］． 北京：中國聯(lián)通，２０２３．

［７］ 中國電信研究院，中興通訊． ６Ｇ 網(wǎng)絡(luò)架構(gòu)展望白皮書

［Ｒ］． 北京：中國電信研究院，２０２３．

［８］ ＩＭＴ２０３０（６Ｇ）推進(jìn)組． ６Ｇ 無線網(wǎng)絡(luò)架構(gòu)和功能技術(shù)

研究報告［Ｒ］． 北京：ＩＭＴ２０３０（６Ｇ）推進(jìn)組，２０２２．

［９］ 中國移動通信有限公司研究院． ６Ｇ 無線內(nèi)生ＡＩ 架構(gòu)

與技術(shù)白皮書［Ｒ］． 北京：中國移動通信有限公司研究

院，２０２２．

［１０］吳建軍，鄧娟，彭程暉，等． 任務(wù)為中心的６Ｇ 網(wǎng)絡(luò)ＡＩ

架構(gòu)［Ｊ］． 無線電通信技術(shù)，２０２２，４８（４）：５９９－６１３．

［１１］ＺＨＯＵ Ｆ Ｑ，ＬＩ Ｗ Ｊ，ＹＡＮＧ Ｙ，ｅｔ ａｌ． Ｉｎｔｅｌｌｉｇｅｎｃｅｅｎｄｏｇｅ

ｎｏｕｓ Ｎｅｔｗｏｒｋｓ：Ｉｎｎｏｖａｔｉｖｅ Ｎｅｔｗｏｒｋ Ｐａｒａｄｉｇｍ ｆｏｒ ６Ｇ［Ｊ］．

ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２２，２９（１）：４０－４７．

［１２］何世文． 無線網(wǎng)絡(luò)知識賦能內(nèi)生智慧架構(gòu)探索［Ｊ］． 移

動通信，２０２３，４７（６）：１４－２１．

［１３］廖建新，付霄元，戚琦，等． ６ＧＡＤＭ：基于知識空間的

６Ｇ 網(wǎng)絡(luò)管控體系［Ｊ］． 通信學(xué)報，２０２２，４３（６）：３－１５．

［１４］楊靜雅，唐曉剛，周一青，等． 意圖抽象與知識聯(lián)合驅(qū)

動的６Ｇ 內(nèi)生智能網(wǎng)絡(luò)架構(gòu)［Ｊ］． 通信學(xué)報，２０２３，４４

（２）：１２－２６．

［１５］周洋程，閆實，彭木根． 意圖驅(qū)動的６Ｇ 無線接入網(wǎng)絡(luò)

［Ｊ］． 物聯(lián)網(wǎng)學(xué)報，２０２０，４（１）：７２－７９．

［１６］ＯＲＡＮ． ＯＲＡＮ Ｍｉｎｉｍｕｍ Ｖｉａｂｌｅ Ｐｌａｎ ａｎｄ Ａｃｃｅｌｅｒａｔｉｏｎ

Ｔｏｗａｒｄｓ Ｃｏｍｍｅｒｃｉａｌｉｚａｔｉｏｎ ［Ｒ／ ＯＬ］． （２０２１ － ０６ － ２９）

［２０２４－０１－２５］． ｈｔｔｐｓ：∥ｍｅｄｉａｓｔｏｒａｇｅ． ｏｒａｎ． ｏｒｇ／ ｗｈｉｔｅ

ｐａｐｅｒｓ／ ＯＲＡＮ． ＭｉｎｉｍｕｍＶｉａｂｌｅＰｌａｎａｎｄＡｃｃｅｌｅｒａｔｉｏｎ

ｔｏｗａｒｄｓＣｏｍｍｅｒｃｉａｌｉｚａｔｉｏｎｗｈｉｔｅｐａｐｅｒ－２０２１－０６． ｐｄｆ．

［１７］孫耀華，王則予，袁碩，等． 智能內(nèi)生６Ｇ 網(wǎng)絡(luò)：架構(gòu)、用

例和挑戰(zhàn)［Ｊ］． 電子技術(shù)應(yīng)用，２０２１，４７（３）：８－１３．

［１８］ＩＱＢＡＬ Ａ，ＴＨＡＭ Ｍ Ｌ，ＣＨＡＮＧ Ｙ Ｃ． Ｄｏｕｂｌｅ Ｄｅｅｐ Ｑ

ｎｅｔｗｏｒｋ ｆｏｒ Ｐｏｗｅｒ Ａｌｌｏｃａｔｉｏｎ ｉｎ Ｃｌｏｕｄ Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋ

［Ｃ］∥２０２０ ＩＥＥＥ ３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ

ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ （ＣＣＥＴ ）．

Ｂｅｉｊｉｎｇ：ＩＥＥＥ，２０２０：２７２－２７７．

［１９］ＩＱＢＡＬ Ａ，ＴＨＡＭ Ｍ Ｌ，ＣＨＡＮＧ Ｙ Ｃ． Ｄｏｕｂｌｅ Ｄｅｅｐ Ｑｎｅｔ

ｗｏｒｋｂａｓｅｄ Ｅｎｅｒｇｙｅｆｆｉｃｉｅｎｔ Ｒｅｓｏｕｒｃｅ Ａｌｌｏｃａｔｉｏｎ ｉｎ Ｃｌｏｕｄ

Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋ ［Ｊ ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２１，９：

２０４４０－２０４４９．

［２０］中國移動通信有限公司研究院，東南大學(xué)，清華大學(xué)．

６Ｇ 物理層ＡＩ 關(guān)鍵技術(shù)白皮書［Ｒ］． 北京：中國移動通

信有限公司研究院，２０２２．

［２１］華為技術(shù)有限公司． ６Ｇ：無線通信新征程［Ｒ］． 深圳：

華為技術(shù)有限公司，２０２２．

［２２］ＩＭＴ２０３０（６Ｇ）推進(jìn)組． 無線ＡＩ 技術(shù)研究報告（第二

版）［Ｒ］． 北京：ＩＭＴ２０３０（６Ｇ）推進(jìn)組，２０２２．

［２３］ＷＥＩ Ｙ Ｆ，ＹＵ Ｆ Ｒ，ＳＯＮＧ Ｍ，ｅｔ ａｌ． Ｕｓｅｒ Ｓｃｈｅｄｕｌｉｎｇ ａｎｄ

Ｒｅｓｏｕｒｃｅ Ａｌｌｏｃａｔｉｏｎ ｉｎ ＨｅｔＮｅｔｓ ｗｉｔｈ Ｈｙｂｒｉｄ Ｅｎｅｒｇｙ Ｓｕｐ

ｐｌｙ：Ａｎ Ａｃｔｏｒｃｒｉｔｉｃ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ Ａｐｐｒｏａｃｈ

［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，

２０１８，１７（１）：６８０－６９２．

［２４］ＦＡＮ Ｃ Ｑ，ＬＩ Ｂ，ＺＨＡＯ Ｃ Ｌ，ｅｔ ａｌ． Ｌｅａｒｎｉｎｇｂａｓｅｄ Ｓｐｅｃｔｒｕｍ

Ｓｈａｒｉｎｇ ａｎｄ Ｓｐａｔｉａｌ Ｒｅｕｓｅ ｉｎ ｍｍＷａｖｅ Ｕｌｔｒａｄｅｎｓｅ Ｎｅｔｗｏｒｋｓ

［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０１８，

６７（６）：４９５４－４９６８．

［２５］ＺＨＡＮＧ Ｌ，ＬＩＡＮＧ Ｙ Ｃ． Ｄｅｅｐ Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ ｆｏｒ

Ｍｕｌｔｉａｇｅｎｔ Ｎｏｎｃｏｏｐｅｒａｔｉｖｅ Ｐｏｗｅｒ Ｃｏｎｔｒｏｌ ｉｎ Ｈｅｔｅｒｏｇｅｎｅ

ｏｕｓ Ｎｅｔｗｏｒｋｓ［ＥＢ／ ＯＬ］． （２０２０ － ０４ － ２５）［２０２４ － ０１ －

２５］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ／ ａｂｓ／２００４． １２０９５ｖ１．

［２６］楊凡，楊成，黃杰，等． ６Ｇ 密集網(wǎng)絡(luò)中基于深度強化學(xué)

習(xí)的資源分配策略［Ｊ］． 通信學(xué)報，２０２３，４４ （８）：

２１５－２２７．

［２７］３ＧＰＰ． Ｓｔｕｄｙ ｏｎ Ｅｎｈａｎｃｅｍｅｎｔ ｆｏｒ Ｄａｔａ Ｃｏｌｌｅｃｔｉｏｎ ｆｏｒ ＮＲ

ａｎｄ ＥＮＤＣ：ＴＲ ３７． ８１７［Ｒ／ ＯＬ］． （２０２２－０３－２９）［２０２４－

０１－２５］． ｈｔｔｐｓ：∥ｗｗｗ． ３ｇｐｐ． ｏｒｇ／ ｆｔｐ／ Ｓｐｅｃｓ／ ａｒｃｈｉｖｅ／３７＿

ｓｅｒｉｅｓ／３７． ８１７ ／ ．

［２８］ ＷＥＩ Ｘ Ｈ，ＤＡＩ Ｌ Ｌ． Ｃｈａｎｎｅｌ Ｅｓｔｉｍａｔｉｏｎ ｆｏｒ Ｅｘｔｒｅｍｅｌｙ

Ｌａｒｇｅｓｃａｌｅ Ｍａｓｓｉｖｅ ＭＩＭＯ：Ｆａｒｆｉｅｌｄ，Ｎｅａｒｆｉｅｌｄ，ｏｒ

Ｈｙｂｒｉｄｆｉｅｌｄ？［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２２，

２６（１）：１７７－１８１．

［２９］盧嘉儀，雷浩，肖華華，等． 超大規(guī)模ＭＩＭＯ 系統(tǒng)中稀

疏度自適應(yīng)的極化域信道估計［Ｊ］無線電通信技術(shù)，

２０２３，４９（６）：９９９－１００５．

［３０］ＬＩ Ｊ Ｚ，ＡＩ Ｂ，ＨＥ Ｒ Ｓ，ｅｔ ａｌ． Ｏｎ ３Ｄ Ｃｌｕｓｔｅｒｂａｓｅｄ Ｃｈａｎｎｅｌ

Ｍｏｄｅｌｉｎｇ ｆｏｒ Ｌａｒｇｅｓｃａｌｅ Ａｒｒａｙ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ［Ｊ ］．

ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１９，１８

（１０）：４９０２－４９１４．

［３１］馮偉，韋舒婷，曹俊誠． ６Ｇ 技術(shù)發(fā)展愿景與太赫茲通信

［Ｊ］． 物理學(xué)報，２０２１，７０（２４）：１７５－１８９．

［３２］ＩＭＴ２０３０（６Ｇ）推進(jìn)組． ６Ｇ 前沿關(guān)鍵技術(shù)研究報告（網(wǎng)

絡(luò)技術(shù)領(lǐng)域）［Ｒ］． 北京：ＩＭＴ２０３０（６Ｇ）推進(jìn)組，２０２３．

［３３］張海君，陳安琪，李亞博，等． ６Ｇ 技移動網(wǎng)絡(luò)關(guān)鍵技術(shù)

［Ｊ］． 通信學(xué)報，２０２２，４３（７）：１８９－２０２．

［３４］ＷＡＲＮＡＴＨＥＲＲＥＳＴＨＡＬ Ｓ，ＳＣＨＵＬＴＺＥ Ｈ，ＳＨＡＳＴＲＹ

Ｋ Ｌ，ｅｔ ａｌ． Ｓｗａｒｍ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｄｅｃｅｎｔｒａｌｉｚｅｄ ａｎｄ Ｃｏｎｆｉ

ｄｅｎｔｉａｌ Ｃｌｉｎｉｃａｌ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ［Ｊ］． Ｎａｔｕｒｅ，２０２１，５９４

（７８６２）：２６５－２７０．

［３５］王志勤，江甲沫，劉沛西，等． ６Ｇ 聯(lián)邦邊緣學(xué)習(xí)新范式：

基于任務(wù)導(dǎo)向的資源管理策略［Ｊ］通信學(xué)報，２０２２，４３

（６）：１６－２７．

［３６］ＫＨＡＮ Ｌ Ｕ，ＳＡＡＤ Ｗ，ＨＡＮ Ｚ，ｅｔ ａｌ． Ｆｅｄｅｒａｔｅｄ Ｌｅａｒｎｉｎｇ

ｆｏｒ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ：Ｒｅｃｅｎｔ Ａｄｖａｎｃｅｓ，Ｔａｘｏｎｏｍｙ，ａｎｄ

Ｏｐｅｎ Ｃｈａｌｌｅｎｇｅｓ ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆

Ｔｕｔｏｒｉａｌｓ，２０２１，２３（３）：１７５９－１７９９．

［３７］劉光毅，鄧娟，李娜，等． 內(nèi)生智能和端到端服務(wù)化的

６Ｇ 無線網(wǎng)絡(luò)架構(gòu)設(shè)計［Ｊ］無線電通信技術(shù)，２０２２，４８

（４）：５６２－５７３．

［３８］王敬宇，莊子睿． 知識定義多模態(tài)網(wǎng)絡(luò)按需服務(wù)體系

研究［Ｊ］． 通信學(xué)報，２０２２，４３（４）：７１－８２．

［３９］廖建新，王晶，王敬宇，等． ６Ｇ 網(wǎng)絡(luò)按需服務(wù)關(guān)鍵技術(shù)

［Ｍ］． 北京：人民郵電出版社，２０２１．

［４０］沙子凡，承楠，惠一龍，等． ６Ｇ 知識體系構(gòu)建：面向全域

全場景的學(xué)術(shù)知識挖掘及其按需應(yīng)用［Ｊ］． 通信學(xué)報，

２０２３，４４（９）：１７３－１８７．

［４１］朱近康，柴名揚，周武． 面向Ｂ５Ｇ／６Ｇ 的三三三網(wǎng)絡(luò)

體系架構(gòu)和優(yōu)化學(xué)習(xí)機制［Ｊ］． 通信學(xué)報，２０２１，４２

（４）：６２－７５．

［４２］ＩＭＴ２０３０（６Ｇ）推進(jìn)組． 語義通信技術(shù)研究報告［Ｒ］．

北京：ＩＭＴ２０３０（６Ｇ）推進(jìn)組，２０２３．

［４３］ＸＵ Ｊ Ｌ，ＡＩ Ｂ，ＷＡＮＧ Ｎ，ｅｔ ａｌ． Ｄｅｅｐ Ｊｏｉｎｔ Ｓｏｕｒｃｅｃｈａｎｎｅｌ

Ｃｏｄｉｎｇ ｆｏｒ ＣＳＩ Ｆｅｅｄｂａｃｋ：Ａｎ ＥｎｄｔｏＥｎｄ Ａｐｐｒｏａｃｈ［Ｊ］．

ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｎ Ｓｅｌｅｃｔｅｄ Ａｒｅａｓ ｉｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，

２０２３，４１（１）：２６０－２７３．

［４４］ＢＯ Ｙ Ｆ，ＤＵＡＮ Ｙ Ｈ，ＳＨＡＯ Ｓ，ｅｔ ａｌ． Ｌｅａｒｎｉｎｇ Ｂａｓｅｄ Ｊｏｉｎｔ

Ｃｏｄｉｎｇｍｏｄｕｌａｔｉｏｎ ｆｏｒ Ｄｉｇｉｔａｌ Ｓｅｍａｎｔｉｃ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓ

ｔｅｍｓ［Ｃ］∥２０２２ １４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｉｒｅｌｅｓｓ

Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ（ＷＣＳＰ）． Ｎａｎｊｉｎｇ：

Ｓｏｕｔｈｅａｓｔ Ｕｎｉｖｅｒｓｉｔｙ，２０２２：１－６．

［４５］王曉云，張小舟，馬良，等． ６Ｇ 通信感知一體化網(wǎng)絡(luò)的

感知算法研究與優(yōu)化［Ｊ］． 通信學(xué)報，２０２３，４４ （２）：

２１９－２３０．

［４６］王友祥，裴郁杉，黃蓉，等． ６Ｇ 通感算一體化網(wǎng)絡(luò)架構(gòu)

和關(guān)鍵技術(shù)研究［Ｊ］． 移動通信，２０２３，４７（９）：２－１０．

［４７］ＩＭＴ２０３０（６Ｇ）推進(jìn)組． 通信感知一體化技術(shù)研究報告

［Ｒ］． 北京：ＩＭＴ２０３０（６Ｇ）推進(jìn)組，２０２２．

［４８］趙曉雪，薛富國，張露露，等． 意圖驅(qū)動端到端網(wǎng)絡(luò)切

片編排與控制［Ｊ］． 電信科學(xué)，２０２３，３９（９）：１－１１．